Hugging Face's logo

Transformers documentation

NeuCodec

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Bu model, 2025-09-11 tarihinde HF papers'ta yayımlandı ve 2026-09-02 tarihinde Hugging Face Transformers'a katkıda bulunuldu.

NeuCodec

SDPA

Genel Bakış

NeuCodec modeli, Finite Scalar Quantization Enables Redundant and Transmission-Robust Neural Audio Compression at Low Bit-rates makalesinde önerilmiştir.

NeuCodec, XCodec2'yi genişleten sinirsel bir ses kodlayıcısıdır. Aşağıdaki özelliklerden yararlanır:

  • Sonlu Skaler Kuantizasyon (FSQ) kuantizasyonu tek bir kod kitabı ile sonuçlanır ve bu da onu Ses Dil Modelleri ile aşağı akış modellemesi için ideal kılar.
  • Non-Commercial veri kısıtlamalarının bulunmaması sağlanacak şekilde CC verileriyle eğitildi.
  • 50 token/sn ve token başına 16 bit ile toplam bit hızı 0.8kbps'tir.
  • Kodlayıcı, 16kHz giriş alır ve örnekleme artırma çözücü kullanarak 24kHz çıktı üretir.
  • FSQ kodlama şeması, güvenilir olmayan ve gürültülü kanallara uygun, bit düzeyinde hata direnci sağlar.

Orijinal model kodu burada bulunabilir.

Kullanım örneği

Bu modelle bir ses dosyasını kodlama ve çözmeye dair hızlı bir örnek:

from datasets import Audio, load_dataset
from transformers import AutoFeatureExtractor, AutoModel

model_id = "neuphonic/neucodec"
model = AutoModel.from_pretrained(model_id, device_map="auto")
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
audio = dataset[0]["audio"]["array"]
inputs = feature_extractor(audio=audio, sampling_rate=feature_extractor.sampling_rate, return_tensors="pt").to(
    model.device, model.dtype
)
print("Input waveform shape:", inputs["input_values"].shape)
# Input waveform shape: torch.Size([1, 1, 93760])

# encoder and decoder
audio_codes = model.encode(**inputs).audio_codes
print("Audio codes shape:", audio_codes.shape)
# Audio codes shape: torch.Size([1, 1, 292])
audio_values = model.decode(audio_codes).audio_values
print("Audio values shape:", audio_values.shape)

# Equivalently, you can do encoding and decoding in one step
model_output = model(**inputs)
audio_codes = model_output.audio_codes
audio_values = model_output.audio_values

Toplu işleme

Bu uygulama ayrıca toplu (batched) girdiyi de destekler!

from datasets import Audio, load_dataset
from transformers import AutoFeatureExtractor, AutoModel

batch_size = 2
model_id = "neuphonic/neucodec"
model = AutoModel.from_pretrained(model_id, device_map="auto")
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
audios = [dataset[i]["audio"]["array"] for i in range(batch_size)]
inputs = feature_extractor(audio=audios, sampling_rate=feature_extractor.sampling_rate, return_tensors="pt").to(
    model.device, model.dtype
)
print("Input waveform shape:", inputs["input_values"].shape)
# Input waveform shape: torch.Size([2, 1, 93760])

# encoder and decoder
encoder_output = model.encode(**inputs)
audio_codes = encoder_output.audio_codes
print("Audio codes shape:", audio_codes.shape)
# Audio codes shape: torch.Size([2, 1, 292])
audio_values = model.decode(audio_codes).audio_values
print("Audio values shape:", audio_values.shape)

# Equivalently, you can do encoding and decoding in one step
model_output = model(**inputs)
audio_codes = model_output.audio_codes
audio_values = model_output.audio_values

torch.compile ile hızlandırma

torch.compile ile çıkarımı hızlandırabilirsiniz. Derleme maliyeti nedeniyle ilk birkaç çağrı daha yavaş olacaktır, ancak sonraki çağrılar daha hızlı olacaktır.

import torch
from datasets import Audio, load_dataset
from transformers import AutoFeatureExtractor, AutoModel

batch_size = 4
model_id = "neuphonic/neucodec"
model = AutoModel.from_pretrained(model_id, device_map="auto")
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
audios = [dataset[i]["audio"]["array"] for i in range(batch_size)]
inputs = feature_extractor(
    audio=audios, sampling_rate=feature_extractor.sampling_rate, padding=True, return_tensors="pt"
).to(model.device, model.dtype)

compiled_model = torch.compile(model, fullgraph=True)

# Warmup (includes compilation on first call)
for _ in range(10):
    with torch.inference_mode():
        _ = compiled_model(**inputs)

with torch.inference_mode():
    output = compiled_model(**inputs)
print("Audio values shape:", output.audio_values.shape)

NeuCodecConfig

sınıf transformers.NeuCodecConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonehidden_size: int = 1024intermediate_size: int = 4096num_hidden_layers: int = 12num_attention_heads: int = 16num_key_value_heads: int = 16hidden_act: str = 'silu'max_position_embeddings: int = 4096initializer_range: float = 0.02rms_norm_eps: float = 1e-06pad_token_id: int | None = Nonetie_word_embeddings: bool = Falserope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = Noneattention_bias: bool = Falseattention_dropout: int | float | None = 0.0head_dim: int = 64encoder_hidden_size: int = 48downsampling_ratios: list[int] | tuple[int, ...] = (2, 2, 4, 4, 5)semantic_model_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Noneactivation_dropout: float = 0.1quantization_dim: int = 2048quantization_levels: list[int] | tuple[int, ...] = (4, 4, 4, 4, 4, 4, 4, 4)input_sampling_rate: int = 16000output_sampling_rate: int = 24000 )

Parametreler

  • hidden_size (int, isteğe bağlı, varsayılan 1024) — Gizli temsillerin boyutu.
  • intermediate_size (int, isteğe bağlı, varsayılan 4096) — MLP temsillerinin boyutu.
  • num_hidden_layers (int, isteğe bağlı, varsayılan 12) — Transformer çözücüdeki gizli katman sayısı.
  • num_attention_heads (int, isteğe bağlı, varsayılan 16) — Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı.
  • num_key_value_heads (int, isteğe bağlı, varsayılan 16) — Bu, Grouped Query Attention uygulamasında kullanılacak key_value başlarının sayısıdır. num_key_value_heads=num_attention_heads ise model Multi Head Attention (MHA) kullanır, num_key_value_heads=1 ise model Multi Query Attention (MQA) kullanır, aksi halde GQA kullanılır. Çok başlı bir checkpoint'i GQA checkpoint'ine dönüştürürken, her grup key ve value başı, o gruptaki tüm orijinal başların ortalama havuzlanması (meanpooling) ile oluşturulmalıdır. Daha fazla ayrıntı için bu makaleye göz atın. Belirtilmezse, varsayılan olarak num_attention_heads kullanılır.
  • hidden_act (str, isteğe bağlı, varsayılan silu) — Çözücüdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, "gelu", "relu", "silu" vb.
  • max_position_embeddings (int, isteğe bağlı, varsayılan 4096) — Bu modelin kullanılabileceği en uzun dizi uzunluğu.
  • initializer_range (float, isteğe bağlı, varsayılan 0.02) — Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.
  • rms_norm_eps (float, isteğe bağlı, varsayılan 1e-06) — rms normalizasyon katmanları tarafından kullanılan epsilon.
  • pad_token_id (int, isteğe bağlı) — Sözlükte dolgu için kullanılan token kimliği.
  • tie_word_embeddings (bool, isteğe bağlı, varsayılan False) — Modelin tied_weights_keys eşlemesine göre ağırlık gömme bağlamalarının yapılıp yapılmayacağı.
  • rope_parameters (Union[~modeling_rope_utils.RopeParameters, dict], isteğe bağlı) — RoPE gömme yapılandırma parametrelerini içeren sözlük. Sözlük, rope_theta için bir değer ve daha uzun max_position_embeddings ile RoPE kullanmak istiyorsanız ölçekleme için kullanılan isteğe bağlı parametreleri içermelidir.
  • attention_bias (bool, isteğe bağlı, varsayılan False) — Öz-dikkat sırasında sorgu, anahtar, değer ve çıktı projeksiyon katmanlarında önyargı (bias) kullanılıp kullanılmayacağı.
  • attention_dropout (Union[int, float], isteğe bağlı, varsayılan 0.0) — Dikkat olasılıkları için dropout oranı.
  • head_dim (int, isteğe bağlı, varsayılan 64) — Dikkat başlığı boyutu. None ise, varsayılan olarak hidden_size // num_attention_heads değerini alır.
  • encoder_hidden_size (int, isteğe bağlı, varsayılan 48) — Gizli temsillerin boyutu.
  • downsampling_ratios (list[int], isteğe bağlı, varsayılan [2, 2, 4, 4, 5]) — Kodlayıcıda indirgeme (downsampling) oranları.
  • semantic_model_config (Union[Dict, Wav2Vec2BertConfig], isteğe bağlı) — Semantik (Wav2Vec2BertConfig) modelinin yapılandırma nesnesinin bir örneği.
  • activation_dropout (float, isteğe bağlı, varsayılan 0.1) — Tamamen bağlı katmandaki aktivasyonlar için dropout oranı.
  • quantization_dim (int, isteğe bağlı, varsayılan 2048) — Vektör kuantizasyonu kod kitabı için boyut.
  • quantization_levels (list[int], isteğe bağlı, varsayılan [4, 4, 4, 4, 4, 4, 4, 4]) — Vektör kuantizasyonu kod kitabı için seviyeler.
  • input_sampling_rate (int, isteğe bağlı, varsayılan 16000) — Kodlayıcının girdi ses dalgasının örnekleme hızı, hertz (Hz) cinsinden.
  • output_sampling_rate (int, isteğe bağlı, varsayılan 24000) — Çözücünün çıkış ses dalgasının örnekleme hızı, hertz (Hz) cinsinden.

Bu, bir NeuCodecModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Neucodec modelini örneklemek ve model mimarisini tanımlamak için kullanılır. Varsayılan değerlerle bir yapılandırma örneği oluşturmak, neuphonic/neucodec ile benzer bir yapılandırmaya yol açar.

Yapılandırma nesneleri PreTrainedConfig sınıfından devralır ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için PreTrainedConfig belgesini okuyun.

Örnek:

>>> from transformers import NeuCodecConfig, NeuCodecModel

>>> # Initializing configuration
>>> configuration = NeuCodecConfig()

>>> # Initializing a model (with random weights) from the configuration
>>> model = NeuCodecModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

NeuCodecFeatureExtractor

sınıf transformers.NeuCodecFeatureExtractor

< >

( feature_size = 80sampling_rate = 16000padding_value = 1.0hop_length = 320**kwargs )

Parametreler

  • feature_size (int, isteğe bağlı, varsayılan 80) — Çıkarılan özelliklerin boyutu.
  • sampling_rate (int, isteğe bağlı, varsayılan 16000) — Ses dosyalarının dijitalleştirileceği örneklem hızı, hertz (Hz) cinsinden ifade edilir.
  • padding_value (float, isteğe bağlı, varsayılan 1.0) — Mel spektrogramu için dolgu vektörlerini doldurmak için kullanılan değer.
  • hop_length (int, isteğe bağlı, varsayılan 320) — Çerçeve başına kodlanan ses örneklerinin sayısı. Alt örnekleme oranlarının çarpımına eşdeğerdir. Akustik kodlayıcı girdi dolgusu için gereklidir.

NeuCodec özellik çıkarıcısı oluşturur; bu çıkarıcı, anlamsal kodlayıcı için mel-filtre bankası özelliklerini ve akustik kodlayıcı için dolgulu sesi hesaplar.

Bu özellik çıkarıcı, ana yöntemlerin çoğunu içeren SequenceFeatureExtractor sınıfından devralır. Kullanıcıların bu yöntemlerle ilgili daha fazla bilgi için bu üst sınıfa başvurması gerekir.

__call__

< >

( audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor']]padding: bool | str | transformers.utils.generic.PaddingStrategy = Truemax_length: int | None = Nonetruncation: bool = Falsereturn_tensors: str | transformers.utils.generic.TensorType | None = Nonesampling_rate: int | None = Nonedevice: str = 'cpu'**kwargs )

Parametreler

  • audio (np.ndarray, torch.Tensor, list[np.ndarray], list[torch.Tensor]) — Şekli (num_channels, sequence_length) olan bir Numpy dizisi veya torch tensörü. Bir girdi grubu için bu tür dizilerin veya tensörlerin bir listesi de sağlanabilir.
  • padding (bool, str veya PaddingStrategy, isteğe bağlı, varsayılan olarak True) — Dönen dizilere dolgu uygulanacak stratejiyi seçin (modelin dolgu yönüne ve dolgu indeksine göre):
    • True veya 'longest': Toplu işlemdeki en uzun dizinin uzunluğuna kadar dolgu yapılır (yalnızca tek bir dizi sağlandıysa dolgu yapılmaz).
    • 'max_length': max_length argümanı ile belirtilen maksimum uzunluğa veya bu argüman sağlanmadıysa modelin kabul edebileceği maksimum giriş uzunluğuna kadar doldurur.
    • False veya 'do_not_pad' (varsayılan): Dolgu yok (yani, farklı uzunluklarda diziler içeren bir parti çıktı olarak üretilebilir).
  • max_length (int, isteğe bağlı) — Döndürülen listenin ve isteğe bağlı dolgu uzunluğunun (bkz. yukarı) maksimum uzunluğu.
  • truncation (bool) — max_length'den uzun olan girdi dizilerini max_length değerine kısaltmak için kesme işlemini etkinleştirir.
  • return_tensors (str veya TensorType, isteğe bağlı) — Belirlenirse, Python tamsayı listesi yerine tensörler döndürülür. Kabul edilen değerler şunlardır:
    • 'tf': TensorFlow tf.constant nesnelerini döndürür.
    • 'pt': PyTorch torch.Tensor nesnelerini döndürür.
    • 'np': Numpy np.ndarray nesnelerini döndürür.
  • sampling_rate (int, isteğe bağlı) — audio girdisinin örneklenmiş olduğu örnek hızı. Sessiz hataları önlemek için sampling_rate değerini forward çağrısında geçmeniz şiddetle önerilir.
  • device (str, isteğe bağlı, varsayılan "cpu") — Mel filtre bankası özellik çıkarımı sırasında PyTorch tensörleri için cihaz.
  • kwargs (isteğe bağlı) — Tokenizöre veya özellik çıkarıcıya iletilecek kalan anahtar-argüman sözlüğü.

NeuCodecModel

sınıf transformers.NeuCodecModel

< >

( config: NeuCodecConfig )

Parametreler

  • config (NeuCodecConfig) — Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için from_pretrained() yöntemine bakın.

NeuCodec sinirsel ses kodlayıcı modeli.

Bu model PreTrainedModel sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden boyutlandırma, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch torch.nn.Module alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

decode

< >

( audio_codes: typing.Optional[torch.Tensor] = Nonelatents: typing.Optional[torch.Tensor] = Noneaudio_codes_mask: typing.Optional[torch.Tensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → NeuCodecDecoderOutput or tuple(torch.Tensor)

Parametreler

  • audio_codes (torch.LongTensor, şekli (batch_size, 1, codes_length)) — model.encode kullanılarak hesaplanan ayrık kod dizinleri.
  • latents (torch.Tensor, şekli (batch_size, dimension, time_steps), opsiyonel) — Girdinin kuantize edilmiş sürekli temsili.
  • audio_codes_mask (torch.Tensor, şekli (batch_size, codes_length), isteğe bağlı) — model.encode tarafından döndürülen, geçerli (doldurma olmayan) konumları işaretleyen maske. Değişken uzunluklu seslerin doğru toplu çözülmesi için gereklidir.

Dönüş değeri

NeuCodecDecoderOutput veya tuple(torch.Tensor)

NeuCodecDecoderOutput veya bir torch.Tensor demeti (eğer return_dict=False geçirildiyse veya config.return_dict=False ise), yapılandırmaya (None) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

  • audio_values (torch.Tensor, şekli (batch_size, 1, segment_length), isteğe bağlı) — Süreklilik kodlarının sürekli ses sinyallerine geri dönüştürülmesiyle elde edilen, zaman alanında çözümlenmiş ses dalgası değerleri. Bu, oynatılabilen yeniden oluşturulmuş sesi temsil eder.

encode

< >

( input_values: Tensorinput_features: Tensorpadding_mask: typing.Optional[torch.Tensor] = Noneinput_features_mask: typing.Optional[torch.Tensor] = Noneoutput_latents: bool = False**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → NeuCodecEncoderOutput or tuple(torch.Tensor)

Parametreler

  • input_values (torch.Tensor, şekli (batch_size, 1, sequence_length)) — Girdi ses dalgası.
  • input_features (torch.Tensor, şekli (batch_size, mel_bins, time_steps)) — Anlamsal kodlama için girdi ses mel spektrogramu.
  • padding_mask (torch.Tensor, şekli (batch_size, 1, sequence_length)) — input_values için dolgu yapmakta kullanılan dolgu maskesi.
  • input_features_mask (torch.Tensor, şekli (batch_size, time_steps), isteğe bağlı) — Anlamsal kodlayıcıya giren spektrogram girdisi için dikkat maskesi. Geçerli kareler için 1, dolgu için 0.
  • output_latents (bool, isteğe bağlı, varsayılan False) — Kuantizörden sürekli latent temsilin döndürülüp döndürülmeyeceğini belirtir.

Dönüş değeri

NeuCodecEncoderOutput veya tuple(torch.Tensor)

NeuCodecEncoderOutput veya bir torch.Tensor demeti (eğer return_dict=False geçirildiyse veya config.return_dict=False ise), yapılandırmaya (None) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

  • audio_codes (torch.LongTensor, şekli (batch_size, 1, codes_length), isteğe bağlı) — model.encode kullanılarak hesaplanan ayrık kod gömüleri. Bunlar, depolama, iletim veya üretim için kullanılabilen, girdi ses sinyalının sıkıştırılmış ve kuantize edilmiş formunu temsil eder.
  • latents (torch.Tensor, şekli (batch_size, dimension, time_steps)) — Girdinin gömme (embedding) değerlerinin kuantize edilmiş sürekli temsili.
  • audio_codes_mask (torch.int32, şekli (batch_size, 1, codes_length), opsiyonel) — audio_codes içindeki geçerli ses kodlarını belirtmek için indirgenmiş padding_mask.

forward

< >

( input_values: Tensorinput_features: Tensorpadding_mask: typing.Optional[torch.Tensor] = Noneinput_features_mask: typing.Optional[torch.Tensor] = Noneoutput_latents: bool = False**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → NeuCodecOutput or tuple(torch.Tensor)

Parametreler

  • input_values (torch.Tensor, şekli (batch_size, 1, sequence_length)) — config.input_sampling_rate örnekleme hızında örneklenmiş giriş ses dalgası.
  • input_features (torch.Tensor, şekli (batch_size, mel_bins, time_steps)) — Anlamsal kodlama için girdi ses mel spektrogramu.
  • padding_mask (torch.Tensor, şekli (batch_size, 1, sequence_length)) — input_values için dolgu yapmakta kullanılan dolgu maskesi.
  • input_features_mask (torch.Tensor, şekli (batch_size, time_steps), isteğe bağlı) — Anlamsal kodlayıcıya giren spektrogram girdisi için dikkat maskesi. Geçerli kareler için 1, dolgu için 0.
  • output_latents (bool, isteğe bağlı, varsayılan False) — Kuantizörden sürekli latent temsilin döndürülüp döndürülmeyeceğini belirtir.

Dönüş değeri

NeuCodecOutput veya tuple(torch.Tensor)

NeuCodecOutput veya torch.Tensor bir demeti (eğer return_dict=False geçirildiyse veya config.return_dict=False ise), yapılandırmaya (None) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

NeuCodecModel forward metodu, __call__ özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine Module örneğini çağırmak gerekir; çünkü önceki, ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

  • audio_values (torch.Tensor, şekli (batch_size, 1, sequence_length), isteğe bağlı) — NeuCodec'in decoder kısmı kullanılarak zaman alanında elde edilen, çözümlenmiş ses dalgası değerleri. Bunlar yeniden oluşturulan ses sinyalini temsil eder.
  • audio_codes (torch.LongTensor, şekli (batch_size, 1, codes_length), opsiyonel) — model.encode kullanılarak hesaplanan ayrık kod gömme değerleri. Bunlar, ileri işleme veya üretim için kullanılan girdi sesinin kuantize edilmiş temsilleridir.
  • latents (torch.Tensor, şekli (batch_size, dimension, time_steps)) — Girdinin gömme (embedding) değerlerinin kuantize edilmiş sürekli temsili.
  • audio_codes_mask (torch.int32, şekli (batch_size, 1, codes_length), opsiyonel) — audio_codes içindeki geçerli ses kodlarını belirtmek için indirgenmiş padding_mask.

Örnekler:

>>> from datasets import load_dataset
>>> from transformers import AutoFeatureExtractor, NeuCodecModel

>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> audio = dataset["train"]["audio"][0]["array"]

>>> model_id = "neuphonic/neucodec"
>>> model = NeuCodecModel.from_pretrained(model_id)
>>> feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)

>>> inputs = feature_extractor(audio=audio, sampling_rate=feature_extractor.sampling_rate, return_tensors="pt")

>>> outputs = model(**inputs)
>>> audio_codes = outputs.audio_codes
>>> audio_values = outputs.audio_values  # sampled at 24kHz
Update on GitHub

←Nemotron ASR Akış Parakeet→